EUVIMEDEUVIMED entdecken
Crossref

KI-gestützte Detektion und Segmentierung von Magenkarzinomen in westlichen endoskopischen Bilddaten anhand eines fine-tuned Deep-Learning Ansatzes

M Wallner, M Gutbrod, D Rauber, A Ebigbo, A Probst, C Palm, H Messmann, D A Roser

Zeitschrift für Gastroenterologie · 01.03.2026 · 64 (03) · e64-e65

DOI: 10.1055/s-0046-1817751 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Zeitschrift für Gastroenterologie, erschienen am 01.03.2026. Verfasst von M Wallner und 7 weiteren Autor:innen.

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Einleitung Die endoskopische Detektion von Magenkarzinomen ist stark untersucherabhängig und stellt insbesondere in westlichen Niedriginzidenzländern eine diagnostische Herausforderung dar. Der Großteil bislang verfügbarer Künstliche-Intelligenz-(KI)-basierter Systeme wurde in ostasiatischen Hochinzidenzpopulationen entwickelt. Ziel dieser Arbeit war die Entwicklung und erste Evaluation eines KI-Modells zur Detektion und Segmentierung von Magenkarzinomen in einem westlichen Niedriginzidenz-Setting unter Verwendung der Histopathologie von endoskopischen Submukosadissektions (ESD)-Präparaten als Referenzstandard. Das Modell wurde mittels Fine-Tuning aus einem zuvor etablierten, semi-supervidiert trainierten Netzwerk zur Detektion von Barrett-Neoplasien [ 1 ] abgeleitet. Primäre Endpunkte waren der Dice-koeffizient für die Tumorsegmentierung sowie eine bildbasierte Detektionssensitivität. Material und Methodik In dieser retrospektiven Single-Center-Studie an einem tertiären Versorgungszentrum in Deutschland (Universitätsklinikum Augsburg) wurden 84 Patienten mit histologisch gesichertem Magenadenokarzinom (≥ T1a), die mittels ESD behandelt wurden, eingeschlossen. Aus diesen Fällen wurden 827 endoskopische Standbilder extrahiert (Olympus-Systeme; WLI, NBI, TXI, mit oder ohne Indigo-Chromoendoskopie), die die Tumorläsionen zeigten. Alle Daten wurden vor Analyse pseudonymisiert. Die Tumorausdehnung wurde durch einen spezialisierten medizinischen Doktoranden anhand der korrespondierenden ESD-Präparate und vollständiger histopathologischer Befunde pixelgenau annotiert. Alle Annotation durchliefen eine fachärztliche Supervision. Ein Convolutional-Neural-Network -Segmentierungsmodell wurde mit Gewichtungen eines zuvor entwickelten KI-Systems für Barrett-assoziierte Neoplasien [ 1 ] mit 55.273 endoskopischen Bilder von 557 Patienten initialisiert und anschließend auf die Segmentierung von Magenkarzinomen feinjustiert. Die Daten wurden auf Patientenebene in fünf Trainings-/Validierungsgruppen (80:20 pro Fold) aufgeteilt; für jede Aufteilung wurde ein separates Model trainiert. Die Segmentierungsleistung wurde mittels Dice-koeffizient bewertet und für die Klassen „Hintergrund“ und „Tumor“ bestimmt. Für die bildbasierte Detektion wurde ein Tumor als erkannt gewertet, wenn die vorhergesagte Läsionsregion die Referenzmaske mit einem Dice von≥75% überlappte. Die Detektionsleistung wurde als Sensitivität bei diesem Schwellenwert sowie als Fläche unter einer Recall-Overlap-Kurve (Variation der Dice-Schwelle von 0 bis 1) zusammengefasst. Ergebnisse Über alle fünf Validierungsdurchgänge hinweg erreichte das Modell einen mittleren Dice-Koeffizienten von 82.93% mit einer Standardabweichung von 1.39% (80.91 – 84.37%). Die Detektionssensitivität auf Bildebene bei einem Dice-Schwellenwert von≥75% lag im Mittel bei 94.86% mit einer Standardabweichung von 3.12% (90.23 – 97.59%). Die Fläche unter der Recall-Overlap-Kurve betrug durchschnittlich 0.912 (Standardabweichung 0,009). Die Ergebnisse zeigten eine konsistente und robuste Leistung in allen Validierungsdatensätzen. Zusammenfassung Diese vorläufige monozentrische Studie zeigt, dass ein aus einem Barrett-Ösophagus-KI-System feinjustiertes Deep-Learning-Modell Magenkarzinome in westlichen multimodalen endoskopischen Bilddaten zuverlässig detektieren und präzise segmentieren kann. Die hohe Segmentierungsgenauigkeit und Detektionssensitivität über verschiedene Bildmodalitäten hinweg unterstreichen die Machbarkeit eines pathologiegestützten KI-Ansatzes auch in einer westlichen Niedriginzidenzpopulation. Aufgrund der ausschließlichen Verwendung von Bildern mit sichtbaren Tumoren lassen sich keine Aussagen zur Spezifität treffen; eine Übertragbarkeit auf Screening- oder Mischkollektive ist daher limitiert. Weitere Studien mit a) größerem Datensatz inklusive Videodaten, b) externer Validierung an einer multizentrischen westlichen Kohorte, sowie c) Anwendung und Prüfung an nicht-neoplastischen Vergleichsbildern oder anderen Pathologien sind erforderlich. Nach unserem Kenntnisstand zählt dieses System zu den ersten in einer westlichen Population entwickelten endoskopischen KI-Ansätzen zur Magenkarzinomdetektion, und zu wenigen, die vollständige ESD-präparatbasierte Referenzdaten für Training und Validierung nutzen. Publication History Article published online: 24 March 2026 © 2026. Thieme. All rights reserved. Georg Thieme Verlag KG Oswald-Hesse-Straße 50, 70469 Stuttgart, Germany

Zitieren

APA

Wallner, M., Gutbrod, M., Rauber, D., Ebigbo, A., Probst, A., Palm, C., Messmann, H., & Roser, D. A. (2026). KI-gestützte Detektion und Segmentierung von Magenkarzinomen in westlichen endoskopischen Bilddaten anhand eines fine-tuned Deep-Learning Ansatzes. Zeitschrift für Gastroenterologie, 64(03), e64-e65. https://doi.org/10.1055/s-0046-1817751

Vancouver

Wallner M, Gutbrod M, Rauber D, Ebigbo A, Probst A, Palm C, et al. KI-gestützte Detektion und Segmentierung von Magenkarzinomen in westlichen endoskopischen Bilddaten anhand eines fine-tuned Deep-Learning Ansatzes. Zeitschrift für Gastroenterologie. 2026;64(03):e64-e65. doi:10.1055/s-0046-1817751

BibTeX
@article{Wallner2026,
  author = {Wallner, M and Gutbrod, M and Rauber, D and Ebigbo, A and Probst, A and Palm, C and Messmann, H and Roser, D A},
  title = {KI-gestützte Detektion und Segmentierung von Magenkarzinomen in westlichen endoskopischen Bilddaten anhand eines fine-tuned Deep-Learning Ansatzes},
  journal = {Zeitschrift für Gastroenterologie},
  year = {2026},
  volume = {64},
  number = {03},
  pages = {e64--e65},
  doi = {10.1055/s-0046-1817751}
}
Kostenlos starten →